一、中文词频统计

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

3. 安装并使用jieba进行中文分词。

pip install jieba

import jieba

jieba.lcut(text)

4. 更新词库，加入所分析对象的专业词汇。

jieba.add_word('天罡北斗阵')  #逐个添加

jieba.load_userdict(word_dict)  #词库文本文件

参考词库下载地址：https://pinyin.sogou.com/dict/

转换代码：scel_to_text

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

二、实现

1、本文下载了余华的《活着》，放于huozhe.txt中

2、读取文本

mytext = open('huozhe.txt',encoding='UTF-8').read()

3、安装jieba

4、更新词库，加入所分析对象的专业词汇

jieba.add_word('福贵')

jieba.add_word('家珍')

jieba.add_word('凤霞')

jieba.add_word('有庆')

jieba.add_word('二喜')

jieba.add_word('苦根')

5. 生成词频统计

'''分割出词汇'''words=list(jieba.cut(mytext))

wordDict={}'''统计频率次数'''wordSet=set(words)for w inwordSet:if len(w)>1:

wordDict[w]= words.count(w)

6. 排序

'''排序'''wordList=list(wordDict.items())

wordList.sort(key=lambda x:x[1],reverse=True)

7. 排除语法型词汇，代词、冠词、连词等停用词。

ci=['我们','知道','看到','自己','起来','什么','他们','一个','看着','没有','看看','就是','怎么','还是','这么','觉得']for c inci:

mytext= mytext.replace(c, "")

8. 输出词频最大TOP20，把结果存放到文件里

'''输出top20'''

for i in range(20):print(wordList[i])'''保存为csv文件'''pd.DataFrame(data=wordList).to_csv('My story.csv',encoding='utf-8')

9. 生成词云

10、整体代码

importjiebaimportpandas as pd

mytext= open('huozhe.txt',encoding='UTF-8').read()

jieba.add_word('福贵')

jieba.add_word('家珍')

jieba.add_word('凤霞')

jieba.add_word('有庆')

jieba.add_word('二喜')

jieba.add_word('苦根')

ci=['。','《','》',' ','我们','知道','看到','自己','起来','什么','他们','一个','看着','没有','看看','就是','怎么','还是','这么','觉得']for c inci:

mytext= mytext.replace(c, "")'''分割出词汇'''words=list(jieba.cut(mytext))

wordDict={}'''统计频率次数'''wordSet=set(words)for w inwordSet:if len(w)>1:

wordDict[w]=words.count(w)'''排序'''wordList=list(wordDict.items())

wordList.sort(key=lambda x:x[1],reverse=True)'''输出top20'''

for i in range(20):print(wordList[i])'''保存为csv文件'''pd.DataFrame(data=wordList).to_csv('My story.csv',encoding='utf-8')

11、运行截图